使用无代码平台开发深度学习分类模型以辅助正畸拔牙决策：图像类型对模型性能的影响

《Journal of Dentistry》：Development of a Deep Learning Classification Model Using a Codeless Platform for Orthodontic Extraction Decision-Making: Impact of Image Type on Model Performance

人工智能辅助正畸决策，深度学习模型，无代码平台，拔牙与非拔牙治疗规划，图像类型差异|

　　

KyungMin Clara Lee

韩国光州全南国立大学牙科学院正畸学系教授

摘要

目的

评估图像类型对深度学习分类模型在正畸治疗计划决策中的性能影响，并研究人工智能在利用口内照片和数字模型扫描确定拔牙与非拔牙治疗计划方面的临床应用可行性。

方法

从已完成正畸治疗的患者中回顾性地收集了治疗前患者数据和正畸治疗计划。共获得了1,200张口内照片和1,200份治疗前牙齿模型的数字扫描图像，每种图像类型包括600例拔牙病例和600例非拔牙病例。所有图像被随机分为训练集（80%）、验证集（10%）和测试集（10%）。使用无代码平台自动开发了一个深度学习分类模型，该平台通过自动化超参数调整优化了模型，无需手动编码。通过比较不同图像类型的准确性、精确度、召回率和F1分数来评估模型性能。

结果

使用口内照片训练的深度学习模型的准确率为71.5%，精确率为72.2%，召回率为71.1%，F1分数为71.6%。使用数字扫描图像训练的深度学习模型的准确率为74.2%，精确率为74.6%，召回率为73.3%，F1分数为73.9%。总体而言，使用数字扫描图像训练的模型性能优于使用口内照片训练的模型。

结论

本研究阐明了利用口内照片或数字模型扫描开发最佳深度学习分类模型以确定拔牙与非拔牙正畸治疗计划的可行性。

临床意义声明

单独使用口内照片或数字牙齿模型图像可以通过应用人工智能辅助正畸拔牙计划的临床决策。

引言

当前人工智能（AI）的进步使得在各种医学和牙科领域成功开发出深度学习模型成为可能。随着人们对正畸学中高级数据分析方法的兴趣日益增加，AI的监管批准应用数量仍落后于学术出版物的增长速度。[1],[2],[3],[4],[5] 在正畸学中，已经进行了大量关于AI技术应用的研究，尤其是在头影测量追踪和标志点识别任务方面。[3],[4],[5],[6],[7],[8],[9],[10],[11],[12],[13],[14],[15],[16],[17] 此外，AI越来越多地被用于辅助正畸治疗计划，例如拔牙选择。文献中描述的应用具有很大的潜力：AI可以帮助正畸医生评估临床图像（例如，确定头影测量的解剖标志点[2],[3],[4],[5],[6]），提供治疗决策支持（例如，评估是否需要拔牙[7],[8],[9],[10],[11],[12]或正颌手术[14],[15],[16]），并简化常规临床工作流程，如文档记录和远程随访跟踪[18],[19]。 过去，深度学习算法已被用于从图像中检测如反咬合等状况[20]，甚至可以从面部图像中评估面部吸引力[21]。以照片形式输入的数据便于使用，在临床情况下具有速度快和方便的优点。虽然之前的正畸决策研究倾向于依赖全面的诊断数据，如X光片、研究模型和临床测量数据，但这种策略在实际患者咨询时可能耗时且难以实施[7],[8],[9],[10],[11],[12],[13],[14],[15],[16],[17],[18],[19],[20],[21]。相比之下，基于图像的AI模型可以在需要即时沟通和计划的情况下提供实时且低成本的临床决策支持。 然而，对专业编程技能的要求通常限制了这种技术的实际应用范围。无代码自动化机器学习（AutoML）平台通过使研究人员和从业者无需编写大量代码即可开发、训练和部署AI模型，解决了这一挑战。由于其简化的开发过程，这种方法使AI在常规正畸决策中更具临床适用性和用户友好性。借助无代码工具，临床医生可以快速原型化模型，用于拔牙决策、治疗结果预测和诊断分类等任务，从而将AI支持整合到标准化的临床工作流程中。无代码平台的进步现在使得无需编程专业知识即可创建深度学习模型，从而降低了将AI解决方案整合到临床环境中的技术障碍。本研究旨在使用无代码开发平台开发一个图像分类模型，以确定拔牙与非拔牙正畸治疗计划。该模型要么基于口内图像，要么基于数字牙齿模型图像进行训练。通过采用无代码方法，本研究展示了可访问的AI技术在辅助正畸临床决策方面的可行性和潜力，特别是在治疗计划方面。因此，本研究旨在在一个无代码平台上创建并验证一个用于正畸拔牙决策的深度学习分类模型，并比较输入图像类型（口内照片或数字牙齿模型扫描）对模型性能和临床可用性的影响。

伦理批准

研究方案已获得机构审查委员会（IRB）的批准（编号CNUDH-2025-007），并符合《赫尔辛基宣言》的标准。患者特定信息已匿名处理。由于这是一项回顾性病历审查，机构审查委员会免除了知情同意的要求。所有收集的数据在分析前均已匿名处理，并去除了人口统计或敏感标识符。

数据集

数据集包括在...部门诊断和接受治疗的患者...

结果

表2显示了无代码平台根据图像类型自动生成深度学习模型时确定的各项关键超参数。平台内置的优化过程选择了最适合每个数据集的层数、批量大小、训练周期、优化器和初始学习率。这些自动优化的超参数使得模型能够在无需手动编码的情况下有效训练和微调。

讨论

本研究的目的是评估仅基于口内照片利用深度学习来确定正畸拔牙与非拔牙决策的可行性。理想情况下，正畸拔牙决策应基于对各种初始诊断记录的全面和精确分析。然而，本研究强调了在初次患者咨询或简短检查期间使用口内照片作为实用决策辅助工具的临床价值。

结论

本研究证明了利用口内照片或数字牙齿模型扫描开发最佳深度学习分类模型以支持正畸治疗计划的可行性，特别是在区分拔牙与非拔牙病例方面。这些常规获取的临床图像本身就可以通过人工智能驱动的拔牙计划辅助临床决策。

出版同意

不适用。

伦理批准和参与同意

研究方案已获得机构审查委员会（IRB）的批准（编号CNUDH-2025-007），并符合《赫尔辛基宣言》的标准。

资助

本研究得到了韩国国家研究基金会（NRF）的资助，该基金会由韩国政府（科学技术信息通信部）提供支持（RS-2025-00516911）。

支持数据的可用性

本研究获得的数据和材料属于作者所有，因此只有在作者批准后才能提供。

CRediT作者贡献声明

KyungMin Clara Lee：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、软件、方法论、研究、资金获取、数据管理、概念化。